Python 基于无标记数据集的MLP聚类

如何使用多层感知器在非标记数据集上进行K-均值聚类。 我已经用标签列出了MNIST数据集，但我想用MLP执行聚类算法。

---

有什么想法吗？

编辑：如果问题局限于仅使用MLP，我认为您正在寻找聚类的可微目标。（K-均值目标是不可微的，因为找到了质心部分）。我认为这不是聚类的“主流”方法，但显然，似乎有一些工作可以使用深度网络来优化聚类（可区分）目标：

：“我们利用了最佳传输和k-均值之间的联系，并依靠熵正则化来 导出一个完全可微的聚类损失 用于（P）中，并直接使用SGD进行优化”。因此，您可以将SGD应用于MLP，MLP是使用此损失的最佳架构吗？取决于你的数据

我可以想到的另一种使用ANN的方法是。这取决于您对MLP的定义有多宽松，您当然可以在输入层和输出特征映射之间添加一组层

您可以潜在地使用MLP将数据嵌入到向量空间中，您可以使用该向量空间在KMeans期间计算某些度量（例如欧几里德距离），这可能有意义，也可能没有意义，这取决于您如何计算嵌入和数据集。 您可以在没有标签的情况下使用自动编码器实现这一点，尽管这比简单的MLP要复杂一些：

这可能是一种过度的杀伤力，这取决于问题的严重程度。首先考虑在数据上做KMID（没有MLP）。如果问题足够复杂，将数据移动到潜在空间可能会奏效，这基本上就是word2vec所做的，人们使用它进行聚类和各种事情（请参阅）

---

聚类通常是无监督的，MLP通常是有监督的。你到底有什么问题？你能定义一个距离度量吗？你希望MLP定义这样的数据集吗？@PeterLang我想用类似于MLP的K-Means对无标签数据集（无监督）进行聚类。所谓MLP，你是指堆叠的线性层还是任何神经网络？感觉这里重要的是目标（kmeans’是不可微的），而不是架构。我认为不可能将多层感知器（“香草”神经网络）应用于未标记的数据，因为神经网络通常只处理标记的数据。在未标记的数据上训练神经网络似乎没有意义。（那么训练会是什么样子呢？）神经网络是有监督的模型（需要正确解决方案的例子，因此需要标签），但聚类通常是无监督的（不需要标签）。这不一定是真的，网络训练前不需要标签。是关于如何定义目标任务和损失函数的。Autoencoder不能帮助我们对未标记的数据集（如k-means）执行聚类。我想通过改变MLP来进行集群。你需要改变（或定义）的是学习问题，而不是架构本身。我没有使用K-means编辑答案，但仍然需要在MLP之外进行一些更改（具体取决于您所说的a-change）